Sau khi phân tích EFA, kết quả có 5 nhân tố được rút trích là thang đo, với các biến quan sát là 24, cụ thể:
- Nhân tố 1 (định hướng khách hàng) gồm 6 biến quan sát: DH1, DH2, DH3, DH4, DH5, DH6
- Nhân tố 2 (khả năng cải tiến của công ty) gồm 5 biến quan sát: CT1, CT2, CT3, CT4, CT5
- Nhân tố 3 (danh tiếng) gồm 4 biến quan sát: DT1, DT2, DT3, DT4
- Nhân tố 4 ( kỹ năng giao tiếp/ diễn đạt) gồm 4 biến quan sát: DD1, DD2, DD3, DD4
- Nhân tố 5 (kỹ năng chuyên môn) gồm 5 biến quan sát: CM1, CM2, CM3, CM4, CM5.
Tóm lại, mô hình nghiên cứu điều chỉnh từ kết quả phân tích nhân tố khám phá EFA bao gồm 5 biến độc lập (1) Định hướng khách hàng; (2) Khả năng cải tiến của công ty; (3) Danh tiếng của công ty; (4) Kỹ năng giao tiếp/ diễn đạt của nhân viên GLC; (5) Kỹ năng chuyên môn của nhân viên GLC, 1 biến trung gian (6) Kết quả thực hiện theo cảm nhận của khách hàng; 1 biến phụ thuộc (7) Giá trị theo cảm nhận của khách hàng. Do đó, có sự điều chỉnh về giả thuyết như sau:
Giả thuyết của mô hình điều chỉnh:
H1: Định hướng khách hàng có ảnh hưởng cùng chiều đến kết quả thực hiện theo cảm nhận của khách hàng.
H2: Khả năng cải tiến của GLC có ảnh hưởng cùng chiều đến kết quả thực hiện theo cảm nhận của khách hàng.
54 H3: Danh tiếng của GLC có ảnh hưởng cùng chiều đến kết quả thực hiện theo cảm nhận của khách hàng
H4: Kỹ năng giao tiếp/ diễn đạt của nhân viên GLC có ảnh hưởng cùng chiều đến kết quả thực hiện theo theo cảm nhận của khách hàng
H5: Kỹ năng chuyên môn của nhân viên GLC có ảnh hưởng cùng chiều đến kết quả thực hiện theo cảm nhận của khách hàng.
H6: Kết quả thực hiện theo cảm nhận của khách hàng của công ty có ảnh hưởng cùng chiều với giá trị cảm nhận khách hàng.
55 4.3. Phân tích tác động của các nhân tố đến kết quả thực hiện theo cảm nhận của
khách hàng
Các nhân tố hình thành từ quá trình phân tích nhân tố gồm “Kỹ năng diễn đạt, Kỹ năng chuyên môn, Định hướng khách hàng, Khả năng cải tiến, Danh tiếng” được khẳng định là phù hợp và được đưa vào phân tích để kiểm định mô hình. Phân tích tương quan sẽ được thực hiện để xem xét sự phù hợp khi đưa các thành phần vào phương trình hồi quy, kết quả phân tích hồi quy dùng để kiểm định các giả thuyết.
Phần này sẽ trình bày các kết quả kỹ thuật thống kê nhằm đánh giá tác động của các nhân tố lên Kết quả thực hiện theo cảm nhận của khách hàng. Vì các kết luận dựa trên hàm hồi quy tuyến tính thu được chỉ có ý nghĩa khi hàm hồi quy đó phù hợp với dữ liệu mẫu và các hệ số hồi quy khác 0 có ý nghĩa, đồng thời các giả định của hàm hồi quy tuyến tính phải được đảm bảo. Do đó, trước khi tiến hành phân tích hồi quy tuyến tính bội, mối tương quan tuyến tính giữa các biến cần phải được xem xét, kiểm định các giả định của hàm hồi quy, sau đó tiến hành kiểm định độ phù hợp của mô hình và kiểm định ý nghĩa của các hệ số hồi quy.
Giả định các nhân tố tác động vào kết quả thực hiện theo cảm nhận của khách hàng đối với GLC tại Tp.HCM có tương quan tuyến tính, ta có phương trình hồi quy cho mô hình lý thuyết như sau:
KQ = β0 + β1DH + β2CT + β3 DT + β4DD + β5CM
Trong đó: KQ : Kết quả thực hiện theo cảm nhận của khách hàng DH : Định hướng khách hàng
CT : Khả năng cải tiến của GLC DT : Danh tiếng
DD : Kỹ năng giao tiếp/ diễn đạt của nhân viên GLC CM : Kỹ năng chuyên môn của nhân viên GLC
56 4.3.1. Phân tích tương quan
Phân tích ma trận tương quan sử dụng hệ số Pearson Correlation (r) để lượng hóa mức độ chặt chẽ của mối liên hệ giữa mỗi nhân tố khác với nhân tố kết quả thực hiện theo cảm nhận của khách hàng, và giữa các nhân tố tác động đến kết quả cảm nhận với nhau. Hệ số này luôn trong khoảng từ -1 đến +1. Giá trị tuyệt đối của hệ số r tiến gần đến 1 khi các biến có mối tương quan tuyến tính chặt chẽ.
Bảng 4.12 – Phân tích tương quan biến độc lập và phụ thuộc
KQ DH CT DT DD CM Pearson Correlation KQ 1.000 .534 .580 .562 .671 .697 DH .534 1.000 .503 .382 .289 .446 CT .580 .503 1.000 .468 .325 .383 DT .562 .382 .468 1.000 .395 .378 DD .671 .289 .325 .395 1.000 .516 CM .697 .446 .383 .378 .516 1.000 Sig. (1-tailed) KQ . .000 .000 .000 .000 .000 DH .000 . .000 .000 .000 .000 CT .000 .000 . .000 .000 .000 DT .000 .000 .000 . .000 .000 DD .000 .000 .000 .000 . .000 CM .000 .000 .000 .000 .000 . N KQ 210 210 210 210 210 210 DH 210 210 210 210 210 210 CT 210 210 210 210 210 210 DT 210 210 210 210 210 210 DD 210 210 210 210 210 210 CM 210 210 210 210 210 210
57 Qua kết quả phân tích cho thấy các giá trị đối xứng qua đường chéo và các giá trị nằm trên đường chéo là 1, hệ số tương quan giữa biến Kết quả thực hiện theo cảm nhận của khách hàng (biến phụ thuộc) với các biến độc lập từ 0.289 trở lên (nằm trong khoảng từ -1 đến 1) (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008) và Sig =. 000 nhỏ hơn 0.05 có ý nghĩa thống kê. Ma trận này cho thấy có mối tương quan giữa biến “Kết quả thực hiện theo cảm nhận của khách hàng” (biến phụ thuộc) với từng biến độc lập, cũng như tương quan giữa các biến độc lập với nhau. Do đó, có thể kết luận rằng các biến có thể đưa vào mô hình để giải thích biến phụ thuộc (Kết quả thực hiện theo cảm nhận của khách hàng).
4.3.2. Kiểm định các giả thuyết của mô hình
Phân tích hồi quy không phải chỉ là việc mô tả các dữ liệu quan sát được. Từ các kết quả quan sát được trong mẫu, ta phải suy rộng kết luận cho mối liên hệ giữa các biến trong tổng thể. Sự chấp nhận và diễn dịch kết quả hồi qui không thể tách rời các giả định cần thiết và những chuẩn đoán về sự vi phạm các giả định đó. Nếu các giả định bị vi phạm thì các kết quả ước lượng không đáng tin cậy nữa”(Hoàng Trọng và Chu Nguyễn Mộng Ngọc 2008, trang 211).
Sự suy rộng các kết quả của mẫu cho các giá trị của tổng thể trên cơ sở các giả định sau: (adsbygoogle = window.adsbygoogle || []).push({});
Liên hệ tuyến tính
Phương sai của sai số không đổi
Phần dư có phân phối chuẩn
Không có hiện tương tự tương quan giữa các phần dư
Không có hiện tượng đa cộng tuyến giữa các biến độc lập 4.3.2.1. Giả định tuyến tính và phương sai của sai số không đổi
Từ biểu đồ phân tán (Hình 4.2) giữa hai biến giá trị dự đoán chuẩn hóa (Standardized Predicted Value) và phần dư chuẩn hóa (Standardized Residual) cho thấy phần dư phân tán ngẫu nhiên xung quanh đường đi qua tung độ 0 chứ không tạo nên một hình dạng nào. Vì vậy giả định liên hệ tuyến tính không bị vi phạm.
58 Độ lớn của phần dư chuẩn hóa trên biểu đồ phân tán không tăng hoặc giảm cùng với giá trị dự đoán chuẩn hóa. Vì vậy, giả định phương sai của sai số không đổi không bị vi phạm.
Hình 4.2: Biểu đồ phân tán
4.3.2.2. Giả định phần dư có phân phối chuẩn
Phần dư có thể không tuân theo phân phối chuẩn vì nhiều lý do: sử dụng mô hình không đúng, phương sai không phải là hằng số, số lượng các phần dư không đủ nhiều để phân tích… (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Để khảo sát phân phối chuẩn của phần dư, biểu đồ Histogram và biểu đồ Normal P-P Plot được sử dụng.
59
Hình 4.4 Biểu đồ Normal P-P Plot
Xem xét tần số của phần dư chuẩn hóa, Hình 4.9 cho thấy một đường cong phân phối chuẩn được đặt trên biểu đồ tần số và Hình 4.10 cho thấy các điểm quan sát không phân tán quá xa đường thẳng kỳ vọng. Giá trị phần dư có kết quả trung bình mean = 0.000 và độ lệch chuẩn std.Dev. = 0.988 rất gần 1. Do đó, phân phối của phần dư xem như tiệm cận chuẩn. Như vậy, giả định phân phối chuẩn của phần dư không bị vi phạm.
4.3.2.3. Giả định không có hiện tượng tương quan giữa các phần dư
Không có sự tự tương quan giữa các phần dư ngẫu nhiên nghĩa là các phần dư độc lập với nhau. Khi xảy ra hiện tượng tự tương quan, các ước lượng của mô hình hồi quy không đáng tin cậy.
Đại lượng thống kê Durbin-Watson (d) được sử dụng để kiểm định hiện tượng tự tương quan. Nếu d gần bằng 2 thì ta kết luận mô hình không có tự tương quan, nếu 0<d<2 thì các phần dư có tương quan thuận, 2<d<4 có nghĩa là các phần dư có tương quan nghịch.
Bảng 4.13: Kiểm định Durbin-Watson Mô hình Độ lệch chuẩn ước lượng Durbin-Watson
60 Kết quả kiểm định Durbin-Watson (Bảng 4.8) cho thấy giá trị d = 1.712, gần bằng 2, rơi vào miền giả thuyết không có tương quan của các phần dư ngẫu nhiên. Như vậy, giả định không có hiện tượng tự tương quan giữa các phần dư không bị vi phạm.
4.3.2.4. Giả định không có hiện tượng đa cộng tuyến
Cộng tuyến là trạng thái trong đó các biến độc lập có tương quan chặt chẽ với nhau. Hiện tượng này sẽ dẫn đến những hậu quả nghiêm trọng trong phân tích hồi quy như kiểm định t không có ý nghĩa, dấu của các ước lượng hệ số hồi quy có thể sai. Hệ số phóng đại phương sai VIF được sử dụng để phát hiện sự tồn tại của hiện tượng này. Nếu VIF > 10 thì xuất hiện hiện tượng đa cộng tuyến.
61
Bảng 4.14: Kết quả kiểm định đa cộng tuyến
Mô hình
Thống kê đa cộng tuyến Độ chấp nhận
của biến phương sai (VIF) Hệ số phóng đại 1 (Hằng số) DH .661 1.512 CT .643 1.555 DT .691 1.446 DD .683 1.464 CM .622 1.606
Bảng 4.9 cho thấy, hệ số VIF có giá trị từ 1.446 đến 1.606 (<10). Như vậy, trong mô hình nghiên cứu không có hiện tượng đa cộng tuyến giữa các biến độc lập.
4.3.2.5. Đánh giá độ phù hợp của mô hình hồi quy tuyến tính
Hệ số xác định bội R2 và R2 hiệu chỉnh (Adjusted R square) được dùng để đánh giá độ phù hợp của mô hình. Vì R2 sẽ tăng khi đưa thêm biến độc lập vào mô hình nên dùng R2 hiệu chỉnh sẽ an toàn hơn khi đánh giá độ phù hợp của mô hình.
R2 hiệu chỉnh càng lớn thể hiện độ phù hợp của mô hình càng cao. Hệ số này càng gần 1 thì mô hình đã xây dựng càng thích hợp, ngược lại càng gần 0 thì mô hình kém phù hợp với tập dữ liệu mẫu. Kiểm định F được sử dụng để xem xét sự phù hợp của mô hình hồi quy tổng thể. (adsbygoogle = window.adsbygoogle || []).push({});
Bảng 4.15: Kết quả phân tích R2 điều chỉnh và kiểm định F
Model R R Square Adjusted R
Square Std. Error of the Estimate Change Statistics R Square
Change Change F df1 df2 Change Sig. F 1 .855a .731 .724 .41368 .731 110.752 5 204 .000
Theo kết quả Bảng 4.10, thì hệ số R2=0.731, R2 hiệu chỉnh = 0.724 cho thấy mô hình tuyến tính đã xây dựng phù hợp với tập dữ liệu đến mức 72.4% (hay mô hình đã giải thích được 72.4% sự biến thiên của biến phụ thuộc). Trị thống kê F= 110.752 với mức ý nghĩa Sig = 0.000 cho thấy sẽ an toàn khi bác bỏ giả thuyết cho rằng tất cả các
62 hệ số hồi quy trong mô hình hồi quy tổng thể bằng 0. Như vậy mô hình hồi quy tuyến tính đa biến phù hợp với tập dữ liệu mẫu và có thể sử dụng được.
4.3.2.6. Kiểm định ý nghĩa của các hệ số hồi quy
Bảng 4.16: Kết quả kiểm định ý nghĩa của các hệ số hồi quy
Model Unstandardized
Coefficients Standardized Coefficients t Sig. Correlations Collinearity Statistics B Std.
Error Beta Zero-order Partial Part Tolerance VIF
1 (Constant) -.753 .193 -3.900 .000 DH .133 .048 .124 2.781 .003 .534 .191 .101 .661 1.512 CT .203 .044 .208 4.592 .000 .580 .306 .167 .643 1.555 DT .169 .046 .161 3.693 .000 .562 .250 .134 .691 1.446 DD .357 .047 .333 7.584 .000 .671 .469 .276 .683 1.464 CM .338 .047 .329 7.148 .000 .697 .448 .260 .622 1.606 (Biến phụ thuộc: KQ)
Bảng 4.11 cho thấy, mức ý nghĩa của các hệ số hồi quy của các biến độc lập DH, CT, DT, DD, CM đều nhỏ hơn 0.05. Điều này cho thấy an toàn khi bác bỏ giả thuyết cho rằng hệ số hồi quy của các biến độc lập của thang đo bằng 0.
4.3.3. Kết quả phân tích hồi quy
4.3.3.1. Phân tích hồi quy cho biến phụ thuộc Kết quả thực hiện theo cảm nhận của khách hàng. khách hàng.
Phân tích hồi quy sẽ xác định phương trình hồi quy tuyến tính, với các hệ số Beta tìm được để khẳng định mối quan hệ nhân quả giữa biến phụ thuộc (Kết quả thực hiện theo cảm nhận của khách hàng) và các biến độc lập (Định hướng khách hàng, Khả năng cải tiến, Danh tiếng, Kỹ năng giao tiếp/ diễn đạt của nhân viên GLC, Kỹ năng chuyên môn của nhân viên GLC) và dự đoán được mức độ tác động của biến phụ thuộc khi biết trước giá trị của biến độc lập. Phương pháp phân tích được chọn lựa là phương pháp đưa vào lần lượt (Enter).
63
Bảng 4.17 Kết quả hồi quy biến Kết quả thực hiện theo cảm nhận của khách hàng
Mô hình R R 2 R2 điều chỉnh lượng độ Ước lệch chuẩn
Thống kê sự thay đổi Hệ số Durbin- Watson Mức độ thay đổi R2 Mức thay đổi F df1 df2 Mức thay đổi Sig. F 1 .855a .731 .724 .41368 .731 110.752 5 204 .000 1.712 a. Các yếu tố dự đoán: (Hằng số), DH, DD, DT, CT, CM b. Biến phụ thuộc: KQ
Các kiểm định trên cho thấy các giả định của hàm hồi quy tuyến tính không bị vi phạm và mô hình hồi quy đã xây dựng phù hợp với tổng thể. Xem xét Bảng 4.12 cho thấy, các hệ số của phương trình hồi quy có ý nghĩa thống kê và đều có giá trị.
Bảng 4.18 Tóm tắt các hệ số hồi quy
Mô hình Hệ số chưa chuẩn
hóa chuẩn hóa Hệ số t Sig. Thống kê đa cộng tuyến B Sai số chuẩn Beta Độ chấp nhận của biến VIF 1 (Hằng số) -.753 .193 -3.900 .000 CM .338 .047 .329 7.148 .000 .622 1.606 DD .357 .047 .333 7.584 .000 .683 1.464 DT .169 .046 .161 3.693 .000 .691 1.446 CT .203 .044 .208 4.592 .000 .643 1.555 DH .133 .048 .124 2.781 .002 .661 1.512 a. Biến phụ thuộc: KQ
64 Ta có phương trình hồi quy như sau:
KQ = 0.124DH + 0.208CT + 0.161DT + 0.333DD + 0.329CM (1)
Trong đó: KQ : Kết quả thực hiện theo cảm nhận của khách hàng DH : Định hướng khách hàng
CT : Khả năng cải tiến của GLC DT : Danh tiếng
DD : Kỹ năng giao tiếp/ diễn đạt của nhân viên GLC CM : Kỹ năng chuyên môn của nhân viên GLC
Như vậy, với tập dữ liệu mẫu khảo sát khách hàng sử dụng dịch vụ Logistics của công ty GLC, Kết quả theo cảm nhận của khách hàng chịu tác động bởi các nhân tố: Định hướng khách hàng, Khả năng cải tiến, Danh tiếng, Kỹ năng giao tiếp/ diễn đạt của nhân viên GLC, Kỹ năng chuyên môn của nhân viên GLC. Do đó có thể kết luận rằng các giả thuyết H1, H2, H3, H4, H5 trong mô hình điều chỉnh được chấp nhận. (adsbygoogle = window.adsbygoogle || []).push({});
4.3.3.2. Kết quả phân tích hồi quy cho biến Giá trị cảm nhận:
Phân tích hồi quy sẽ xác định phương trình hồi quy tuyến tính, với các hệ số Beta tìm được để khẳng định mối quan hệ nhân quả giữa biến phụ thuộc (Giá trị theo cảm nhận của khách hàng) và các biến độc lập (Kết quả thực hiện theo cảm nhận của khách hàng) và dự đoán được mức độ tác động của biến phụ thuộc khi biết trước giá trị của biến độc lập. Phương pháp phân tích được chọn lựa là phương pháp đưa vào lần lượt (Enter).
Các kiểm định trên cho thấy các giả định của hàm hồi quy tuyến tính không bị vi phạm và mô hình hồi quy đã xây dựng phù hợp với tổng thể. Xem xét Bảng 4.14 dưới đây cho thấy, các hệ số của phương trình hồi quy có ý nghĩa thống kê và đều có